التصنيف باستخدام PyTorch/TensorFlow

# التصنيف باستخدام PyTorch/TensorFlow هذي مهمة المختبر من منهج الذكاء الاصطناعي للمبتدئين. ## الجزء 1: تصنيف Iris تحتوي مجموعة البيانات Iris على 150 سجلًا موزعة على 3 فئات مختلفة من زهور Iris. وفي كل سجل 4 معاملات رقمية: طول وعرض السبلات، وطول وعرض البتلات. هذي مجموعة بيانات بسيطة ما تحتاج إن الشبكة العصبية تكون قوية. ### جلب مجموعة البيانات مجموعة البيانات Iris مدمجة في Scikit Learn، لذلك نقدر نجيبها بسهولة:

### عرض البيانات بصريًا في حالات كثيرة يفيدنا نعرض البيانات بصريًا ونشوف هل فئاتها قابلة للفصل؛ وهذا يعطينا مؤشر إننا نقدر نبني نموذجًا زينًا في التصنيف. وبما إن عندنا سمات قليلة، نقدر نبني سلسلة من مخططات التبعثر الثنائية 2D لكل زوج من السمات، ونلوّن نقاط كل فئة بلون مختلف. وتقدر حزمة اسمها **seaborn** تسوي هذا آليًا:

### تطبيع البيانات وترميزها عشان نجهّز البيانات لتدريب الشبكة العصبية، نحتاج نطبّع المدخلات داخل المجال [0..1]. نقدر نسوي هذا بعمليات `numpy` العادية، أو باستخدام [دوال Scikit Learn](https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.normalize.html). وبعد، لازم تحددون هل تبون ترميز التسمية المستهدفة بصيغة one-hot أو لا. يخلّيكم PyTorch وTensorFlow تمررون رقم الفئة كعدد صحيح—من 0 إلى N-1—أو كمتجه one-hot. ولما تبنون هيكل الشبكة العصبية، لازم تختارون دالة الخسارة المناسبة؛ مثل *خسارة الانتروبيا المتقاطعة الفئوية المتناثرة (sparse categorical cross-entropy)* للتمثيل الرقمي، و*خسارة الانتروبيا المتقاطعة (cross-entropy loss)* لترميز one-hot. وتقدرون تسوون ترميز one-hot [باستخدام Sklearn](https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html)، أو بقطعة الكود هذي: ```python n_values = np.max(labels) + 1 labels_onehot = np.eye(n_values)[labels] ```

### تقسيم البيانات إلى تدريب واختبار بما إن ما عندنا مجموعة البيانات منفصلة للتدريب والاختبار، نحتاج نقسّمها إلى مجموعة البيانات الخاصة بالتدريب ومجموعة البيانات الخاصة بالاختبار [باستخدام Sklearn](https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html)

### تعريف الشبكة العصبية وتدريبها الحين أنتم جاهزين. استوردوا الإطار اللي تفضلونه، وعرّفوا الشبكة العصبية، وابدؤوا التدريب مع متابعة دقة التدريب والتحقق.

### جرّبوا الحين جرّبوا بُنى مختلفة للشبكة وشوفوا تأثيرها على النتيجة. جرّبوا: 1. شبكة بطبقة واحدة فيها 3 عصبونات، بعدد الفئات نفسه 1. شبكة بطبقتين وطبقة مخفية صغيرة أو متوسطة أو كبيرة 1. استخدام طبقات أكثر تأكدوا إنكم تلاحظون فرط التكيّف لما تستخدمون نموذجًا واسعًا فيه عصبونات—ومعاملات—كثيرة.

## الجزء 2: تدريب MNIST تحتوي Keras وPyTorch على MNIST كمجموعة البيانات مدمجة، لذلك تقدرون تجيبونها بسطرين تقريبًا من الكود ([Keras](https://keras.io/api/datasets/mnist/)، [PyTorch](https://pytorch.org/vision/stable/datasets.html)). وتقدرون بعد تحمّلون مجموعتي التدريب والاختبار من دون ما تقسّمون البيانات يدويًا.

الحين طبّقوا الخطوات اللي فوق: تأكدوا إن مجموعة البيانات مطبّعة—وغالبًا بتكون كذلك—ثم عرّفوا الشبكة العصبية ودرّبوها. ## الزبدة 1. نقدر نستخدم الشبكات العصبية في مهام تعلم الآلة التقليدية. لكنها في حالات كثيرة تكون أقوى من المطلوب وقد تسبب فرط التكيّف. 1. المهم في هالمهمة إنكم تلاحظون سلوك فرط التكيّف وتحاولون تتجنبونه. 1. مع أطر مثل Keras، يصير تدريب الشبكة العصبية مباشرًا أحيانًا. لكن لازم تفهمون وش يصير وراء الكواليس.